宾州州立大学黄晓蕾教授2019年07月30日MICS在线学术讲座成功举办！
[#19-13] MICS在线学术讲座：Xiaolei Huang
医学图像计算青年研讨会（Medical Imaging Computing Seminar，MICS）创立于2014年，其宗旨是为医学图像领域的华人青年学者提供学术交流平台，增进相互之间的了解和友谊，帮助青年学者融入学术研究大家庭。MICS聚焦于近两年内的医学图像计算领域原创研究，欢迎医学图像处理、计算机视觉、人工智能等新理论、新方法、新应用的展示，以及影像与临床医学、基础医学深度交叉的突破性进展报告。
首届MICS在医学图像领域著名学者、北卡罗来纳大学教堂山分校沈定刚教授的倡议下，于2014年12月在深圳大学举行。经过2015（济南）、2016（广州）、2017（上海）、2018（南京）、2019（苏州）的蓬勃发展，MICS从参会人数不足百人到吸引上千名专家学者参与，已迅速成为全国医学图像计算领域最具影响力的活动之一。
第七届医学图像计算青年研讨会将于2020年7月18-19日在大连举办。在此，谨对本领域专家学者长期以来的大力支持表示感谢，并欢迎广大青年学者莅临MICS 2020，共同繁荣MICS大家庭！
黄晓蕾教授给大家做的报告题目是“Learning Biomarkers from Biomedical Image Data”，其主要工作围绕“用人工智能去帮助医务人员和组织去更早，更快，更准确的执行诊断，治疗，预测”展开，先后介绍了“宫颈癌筛查”，“乳腺癌诊断”，“基于深度学习的分割”以及“对抗网络和迁移学习”等四个部分的工作。具体方法包括半监督可学习的图卷积核宫颈癌分级的设计，多模态深度学习框架用于宫颈癌发育不良诊断，利用光学显微镜进行乳腺癌组织中癌细胞的检测，基于L1损失的多尺度的对抗性神经网络医学图像分割，StackGAN-v2用于病理图像生成，基于注意机制的多模态RNN自动报告生成模型等内容。黄教授报告内容非常丰富，还提供了相关的源代码供进一步研究和测试。最后，黄晓蕾教授回答了在线观众所提出的相关问题。
问答环节
问：用Graph GCN做分析的时候，Graph是如何构造的?
答：首先用Encoder提取Feature，然后用这些Feature将带标数据和不带标签的数据放在一起构建一个Adjacency Matrix. 我们将进一步研究End-to-End的方法，希望Encoder在得到Feedback后可以来调整GCN的构建。
问：有一个多模态的工作，多模态是如何融合的？
答：我们用了不同的融合方法，首先用CNN去提取Image Feature, 然后采用Late Fusion的方法，如果Image Feature能得到4096维，而Non-Image Feature只有13维，如果不做维数的改变直接Fusion不会有好的效果。因此我们也对Image Feature进一步降维成13维，然后再用几层联合全连接网络，结果提高了11%。
问：针对OCM中的工作，纹理特征是如何学到的，是通过深度学习得到的吗？比如马和斑马，我们如何让深度学习理解斑马的条纹纹理吗？
答：我们试过不同的方法，现在用的是Local Binary Pattern比较Center Pixel和Surrounding Pixel, 比较他们的再进行二值化编码，然后对这个编码进行。我们比较了不同的LBP Feature（如Average LBP和）。用Deep Learning也可学习Texture的Feature, 另外用GAN去生成Texture也是一个有意思的研究问题。
问：用GAN去生成样本，进行样本扩充时，这些生成的样本带标签吗？是用conditional GAN吗？
答：我们是用conditional GAN的方法，cGAN中的c就可表示标签。我们在cGAN的基础上，增加了一个Filtering,选择更好的数据来进行数据扩充。
问：有哪些Biomarker是从Image中学习到的？是连续的吗？
答：我们是通过机器学习中学习到的，可以通过手工确定特征，比如LBP等，也可从CNN中直接学习到。可以连续，也可不连续。
问：stackGAN适合具有什么特点的数据生成
答：stackGAN是对抗网络，依赖于训练数据。生成的数据和训练数据的分布比较接近。如果训练集是病理图像，就会生成病理图像。需要加入一些全局限制条件。
问：stackGAN用L1 Loss为什么效果更好？
答：建议去看W-GAN文章，我们理论上分析了L1 Loss可以更好的收敛，实验也表明了用L1 Loss结果更好。
黄晓蕾教授报告的视频链接:
链接：https://pan.baidu.com/s/1VHpnk86FwMRJu31vFfDTiA
提取码：gdfu
黄晓蕾教授报告的PPT链接:
链接：https://pan.baidu.com/s/1M4cBB5yS40-jHWl-C145qQ
提取码：oy1t
录像视频在线观看地址：
https://www.iqiyi.com/v_19rtjo2z8w.html
特别感谢本次学术讲座主要组织者：何晖光（中国科学院自动化研究所）
活动须知
MICS在线学术讲座依托在线直播平台进行，观众请点击每期直播链接参加活动，支持安装Windows系统的电脑、MAC电脑、手机等设备，手机客户端也可直接扫描二维码进入直播；
活动开始前5分钟左右，讲者会开启直播，活动时讲者会上传PPT或共享屏幕，观众可以看到Slides，听到讲者的语音，并通过聊天功能与讲者交互；
活动过程中，请不要说无关话语，以免影响活动正常进行；活动过程中，如出现听不到或看不到视频等问题，建议退出再重新进入，一般都能解决问题；建议通过速度较快的网络参加活动，优先采用有线网络连接;活动过程中，请不要说无关话语，以免影响活动正常进行；
后续每期讲座信息，会通过MICS微信公众号“医学图像计算青年研讨会”（扫描下方二维码关注MICS微信公众号）或MICS QQ群（群号：641894878）进行通知（注：申请加入MICS QQ群时需验证姓名、单位和身份，缺一不可；入群后，请实名，姓名身份单位；身份：学校及科研单位人员T，企业研发I，博士D，硕士M）。
“医学图像计算青年研讨会”微信公众号
MICS在线学术讲座的模式和组织方式借鉴了很多VALSE的经验, 从VALSE得到了很多的启发，在此对VALSE组委会表示衷心的感谢，也祝愿MICS和VALSE越办越好！
